Apprendimento automatico per prevedere il bisogno insoddisfatto di trattamento della salute mentale tra adulti non trattati con qualsiasi malattia mentale: evidenze da un'indagine nazionale

Lo studio si propone di sviluppare un modello predittivo basato sull'apprendimento automatico per identificare tra gli adulti statunitensi non trattati, portatori di disturbi mentali nell'ultimo anno, coloro che percepiscono un bisogno insoddisfatto di trattamento per la salute mentale. Utilizzando dati di 6004 adulti non trattati con malattia mentale, ricavati dalla National Survey on Drug Use and Health del 2024, è stato addestrato un classificatore XGBoost su variabili sociodemografiche, funzionali, uso di sostanze e condizioni di salute. Il modello ha mostrato una buona capacità discriminativa con un AUC sul test set di 0.789, confermata da una validazione ripetuta con un AUC atteso di 0.738 (SD 0.030, intervallo empirico 95% 0.670-0.785). Il dominio predittivo più rilevante è risultato essere il grado di compromissione funzionale, misurato dal punteggio WHODAS, che ha contribuito per il 28,13% del guadagno cumulativo, seguito dall’età superiore a 65 anni. Selezionando il 10% a più alto rischio, è stato possibile identificare il 27,6% dei casi con bisogno insoddisfatto, con un numero necessario da sottoporre a screening di 3.4. Tra le barriere segnalate al trattamento prevalgono l’idea di poter gestire da soli il problema (70,8%), il costo (66,2%) e la scarsa conoscenza dei luoghi in cui rivolgersi (48,5%). Il modello evidenzia quindi un potenziale strumento per indirizzare interventi mirati, sebbene i risultati siano specifici per il campione e le variabili considerate.